مهارت در ابزارهای هوشمند در برابر مشارکت روشنفکرانه در دانشگاه

تصور کنید در دنیایی زندگی می‌کنید که در آن تلاش چندین سال برای نوشتن یک مقاله علمی، در برابر کسی که با چند کلیک صدها مقاله مشابه تولید می‌کند، شکست می‌خورد. اگر هنوز معیارهای موفقیت خود را بر اساس تعداد مقالات منتشرشده می‌سنجید، باید بدانید که این بازی پیش از آنکه شما متوجه شوید، تغییر قوانین خود داده است.

طبق گزارشی که در ۲۲ ژوئن ۲۰۲۶ در وب‌سایت truths-and-loves.ghost.io منتشر شد، یک استاد دارای کرسی رسمی و سردبیر یک مجله بین‌المللی ادعا می‌کند که هوش مصنوعی زاینده (Generative AI) — شبیه به چاپخانه‌ای است که نه تنها کاغذ، بلکه ایده‌های استاندارد را هم با سرعت نور تکثیر می‌کند — موتور محرک دانشگاه‌ها را از کار انداخته است. سیستم پاداش آکادمیک همواره بر پایه «ماکسیمالیسم» بوده است؛ یعنی هرچه تعداد مقالات، گرنت‌ها، جوایز، جذب دانشجویان بیشتر و پوشش خبری و شاخص h-index بالاتر باشد، فرد موفق‌تر تلقی می‌شود. در گذشته، این حجم از خروجی نیازمند تلاش مستقل انسانی بود؛ فعالیت‌هایی چون تدوین درخواست‌های بودجه، ارسال مقالات، نگارش توصیه‌نامه‌ها، گزارش‌ها، نوشتن مقالات Conversation و تهیه بیانیه‌های مطبوعاتی. این نیاز به نیروی انسانی، سقفی طبیعی برای بهره‌وری ایجاد کرده بود. اما اکنون هوش مصنوعی این محدودیت را از بین برده و به تعداد کمی از کاربران حرفه‌ای اجازه داده است تا از نظر سرعت و حجم خروجی، پژوهشگران سنتی را به شدت پشت سر بگذارند. نویسنده اشاره می‌کند که با وجود داشتن موفقیت‌های کلاسیک — از جمله کرسی پژوهشی دارای وقف و جایگاه‌های مدیریتی — دیگر معنایی در این سیستم نمی‌بیند، چون «موتور حجم» عملاً بی‌نهایت شده و بازی را بی‌معنی کرده است.

فروپاشی ارزیابی دانشجویان

به نقل از این استاد، تکالیف کلاسی اولین و مشهودترین قربانیان این تحول بوده‌اند. هر تکلیفی که دانشجو به خانه می‌برد و سپس تحویل می‌دهد، به‌شدت احتمال دارد توسط هوش مصنوعی نوشته یا اصلاح شده باشد. در حالی که دانشگاه‌ها به‌راحتی کاربران «ناپخته» یا غیرمتخصص را که متون کلیشه‌ای و «آشغال‌های» (slop) آشکار به سبک ChatGPT تحویل می‌دهند شناسایی می‌کنند، نسل جدیدی از دانشجویان «بهینه‌ساز هوش مصنوعی» ظهور کرده‌اند.

کاربران ناپخته معمولاً با این نشانه‌های رایج شناسایی می‌شوند:

• فرمت‌های تکراری و استاندارد ChatGPT
• استفاده از لیست‌های سه‌گانه که با ویرگول جدا شده‌اند در هر جمله
• توهم (Hallucination) در ارجاعات و استفاده از اغراق‌های شدید
• نبود کامل تورفتگی (Tab) در ابتدای پاراگراف‌ها

اما گروه خطرناک‌تر، یعنی دانشجویان بهینه‌ساز، از یک گردش کار چند‌مدلی (Multi-model workflow) استفاده می‌کنند تا آثارشان غیرقابل تشخیص و حتی برتر از کارهای انسانی باشد:

• پیش‌نویس: یک مدل پولی و پیشرفته (مانند Claude) نسخه اولیه را تولید می‌کند.
• اصلاح: مدل دوم (مانند ChatGPT) متن را نقد کرده و نثر را صیقل می‌دهد و این چرخه تا زمانی که استدلال‌ها کاملاً دقیق و منسجم شوند تکرار می‌شود.
• تأیید: هوش مصنوعی برای بررسی دو یا سه بره ارجاعات، فرمت‌بندی و نقطه‌گذاری‌ها به کار گرفته می‌شود.

این روند باعث می‌شود کارهای تولید شده اغلب بهتر از مقالات نوشته شده توسط انسان باشند. در نتیجه، سیستم اکنون کسانی را پاداش می‌دهد که هزینه بیشتری برای اشتراک مدل‌های پیشرفته می‌پردازند و دانشجویانی را که با اشتباهات انسانی طبیعی و اصیل می‌نویسند، جریمه می‌کند. نویسنده استدلال می‌کند که در حال حاضر اساتید (یا دستیاران آن‌ها، یا حتی هوش مصنوعیِ دستیارانشان) نمراتی را присرف می‌کنند که هیچ ارتباطی با دانش واقعی دانشجو از محتوا ندارد.

سیل مقالات تولیدشده انبوه

این بحران از کلاس درس به پژوهش‌های حرفه‌ای کشیده شده است. نویسنده افشا می‌کند که اخیلاً به تیم پژوهشی‌اش هشدار داده که این بخش از جامعه علمی، سر خود را در شن‌ها فرو کرده است و نسبت به واقعیت موفقیت در پژوهش بی‌تفاوت است. تولید محتوای قابل انتشار در مقیاس انبوه همین حالا اتفاق افتاده است، به‌ویژه در قالب‌های زیر:

• مقالات مروری (Review articles)
• متون متدولوژی (Methodology pieces)
• سنتزهای نظری (Theoretical syntheses)
• گزارش‌ها
• تحلیل‌های ثانویه از داده‌های کیفی

بر اساس مستندات این گزارش، یک پژوهشگر با ترکیب اشتراک‌های ابزارهایی مثل Consensus و Claude، می‌تواند محتوایی را با نرخ تقریباً یک مقاله در روز تولید کند. اگرچه برخی داوران ممکن است متون «پوچ» و توخالی را شناسایی کنند، اما نویسنده اشاره می‌کند که می‌توان هوش مصنوعی را آموزش داد تا از اغراق و پیش‌فرض‌های تهی فاصله بگیرد. اگر پژوهشگری مانند یک شیلنگ آتش‌نشانی این متون را به مجلات بفرستد، بسیاری از آن‌ها از فیلتر داوران می‌گذرند و در نتیجه، رزومه‌های هوش‌مصنوعی‌زده به‌سرعت بر رزومه‌های پژوهشگرانی که کار فکری مستقل انجام می‌دهند، پیشی می‌گیرند.

بازی‌سازی در فرآیند دریافت گرنت

درخواست‌های بودجه (Grant) نیز دچار بحران مشابهی شده‌اند. نویسنده سناریویی را توصیف می‌کند که در آن تیمی پنج‌نفره از همکاران می‌توانند به صورت چرخشی نقش «پژوهشگر اصلی» (PI) را بر عهده بگیرند — چرا که هر فرد می‌تواند در هر چرخه دو درخواست ارسال کند — تا یک چرخه بودجه CIHR Project Grant را با ۱۰ درخواست مختلف اشباع کنند.

این استراتژی شانس به دست آوردن گرنت را صرفاً بر اساس «حجم» ارسال درخواست‌ها افزایش می‌دهد. هوش مصنوعی این درخواست‌ها را با حذف خطاهای بحرانی رایج که معمولاً باعث رد شدن پروپوزال‌های انسانی می‌شود، بهینه می‌کند:

• بودجه‌بندی: هوش مصنوعی دقت مالی کامل را تضمین می‌کند تا اشتباهات محاسباتی حذف شوند.
• ارجاعات: هوش مصنوعی مقالات بسیار مرتبطی را شناسایی می‌کند که احتمالاً از دید تیم پژوهشی پنهان مانده است.
• شرایط پذیرش: هوش مصنوعی معیارهای صلاحیت (Eligibility) را چک می‌کند و پرچم‌های خطایی را می‌گیرد که معمولاً تا مرحله بازبینی نهایی شناسایی نمی‌شوند.

آنچه زمانی نتیجه چندین شکست و اصلاحات دستی دقیق (یک درخواست بدون خطا) بود، اکنون توسط سامانه‌های همکاری/عامل‌محور (Cowork/Agent systems) به‌صورت آنی به دست می‌آید. نویسنده می‌پرسد وقتی تعداد درخواست‌ها سه برابر شود، سازمان‌هایی مثل CIHR چه خواهند کرد؟ او معتقد است راهکار فعلی — یعنی استفاده از هوش مصنوعی برای پیش‌غربالگری درخواست‌های ساخته‌شده با هوش مصنوعی — یک چرخه ابث، بی‌پایان و بی‌فایده است.

تأخر نهادی

در حالی که دانشگاه‌ها شروع به بازطراحی سرفصل‌های دروس و ارائه نرم‌افزارهای ضدتقلب برای ارزیابی‌های از راه دور کرده‌اند، بخش پژوهشی بسیار عقب مانده است. نویسنده بازگشت به آزمون‌های کاغذی-مداد را یک ضرورت احتمالی می‌بیند، هرچند این کار فشار زیادی بر منابع می‌گذارد.

پاسخ‌های نهادهای پژوهشی کند، سطحی و متناقض بوده است:

• شورای Tri-Councils در ابتدا استفاده از هوش مصنوعی را ممنوع کرد، اما بعداً آن را مجاز دانست.
• اکثر مجلات تنها پاسخ‌های محدودی داده‌اند، مانند درخواست ساده برای «خوداظهاری» نویسندگان.

این نشان می‌دهد که بخش آکادمیک در حال حاضر دو سال از واقعیت تکنولوژیک عقب است. تا زمانی که مجلات و نهادهای تامین بودجه همچنان بر معیارهایی متمرکز باشند که بر حجم محتوای مکتوب استوار است، در واقع دارند معیاری را پاداش دهند که دیگر بازتاب‌دهنده تلاش واقعی انسانی نیست. نویسنده نسخه‌ای از دانشگاه را که در آن فرد به خاطر amount (مقدار) محتوای پذیرفته شده در مراکز رسمی پاداش می‌گیرد، «از پیش مرده» می‌نامد؛ فقط هنوز مراسم تدفین آن برگزار نشده است.

این تغییر، نشان‌دهنده یک جدایی بنیادین میان «موفقیت آکادمیک» و «مشارکت روشنفکرانه» است. وقتی حجم تولید بی‌نهایت شود، ارزش یک مقاله یا برنده شدن در یک گرنت عملاً به صفر می‌رسد، مگر اینکه کل سیستم پاداش به‌طور کامل بازسازی شود. رصد اینکه CIHR و دیگر نهادهای بزرگ تامین بودجه چگونه معیارهای ارزیابی خود را تعدیل می‌کنند، تنها شاخص کلیدی برای تشخیص این است که آیا دانشگاه می‌تواند از این گذار جان سالم به در ببرد یا اینکه به اداره بر اساس مجموعه‌ای از معیارهای منسوخ ادامه خواهد داد.

گام بعدی شما

• اگر پژوهشگر یا دانشجو هستید، تمرکز خود را از «تولید محتوا» به «طراحی سوالات بدیع» و «ارائه استدلال‌های غیرقابل بازتولید توسط مدل» تغییر دهید.
• در پرونده‌های پژوهشی خود، مستندات مرحله‌به‌مرحله (Audit Trail) را نگه دارید تا بتوانید اصالت تفکر خود را اثبات کنید.
• ابزارهای هوش مصنوعی را نه برای «نوشتن»، بلکه برای «چالش کشیدن» استدلال‌های خود به کار ببرید.

اما این بحران ارزیابی فقط محدود به متن نیست؛ تأثیر مدل‌های چندوجهی بر تحلیل داده‌های بصری در آزمایشگاه‌ها، ابعاد پیچیده‌تری دارد که در گزارش‌های آتی بررسی خواهیم کرد.